Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/76543 |
Resumo: | E. coli Patogênicas Aviárias (APEC) são uma das causas de doenças extra-intestinais em aves, as quais trazem grande prejuízo econômico para o setor avícola mundial. Os avanços nas pesquisas vêm aumentando o entendimento dos mecanismos de patogenicidade das APEC, demonstrando a grande importância da interação dos diversos fatores de virulência na determinação da sua patogenicidade. Redes Neurais Artificiais (RNAs) têm mostrado ser uma poderosa ferramenta para uma vasta gama de aplicações. Neste trabalho, o foco na aplicação da RNA é na predição (0 a 10) da patogenicidade de amostras APEC. Em 489 isolados APEC foram analisados a presença de 38 genes associados a virulência, o Índice de Patogenicidade (IP) in vivo e a motilidade das amostras. Duas RNAs foram construídas utilizando o software Neuroshell Classifier 2.1 (Ward Systems Group, Inc., Frederick, MD, USA) em duas fases distintas: treinamento e validação. Utilizou-se como camada de entrada, informações sobre a presença ou ausência dos 38 genes de virulência e a motilidade de cada uma das amostras, com uma camada de saída formada pelo IP in vivo previamente determinado. As RNAs construídas apresentaram uma classificação correta acima de 90%, sendo que a rede 1 apresentou uma classificação de 91,62 e a rede 2 de 99,03%. A rede 2 obteve uma especificidade superior a 99,64% em todas as categorias e uma sensibilidade superior a 92,86%. Isso demonstra que o método aqui proposto, revelou ser uma ótima ferramenta de suporte às decisões de médico veterinário, descartando no futuro a inoculação de animais. |
id |
URGS_627cefb03029f664450ac468fccc51ea |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/76543 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Tejkowski, Thiago MoreiraSalle, Carlos Tadeu Pippi2013-08-01T02:41:10Z2013http://hdl.handle.net/10183/76543000894160E. coli Patogênicas Aviárias (APEC) são uma das causas de doenças extra-intestinais em aves, as quais trazem grande prejuízo econômico para o setor avícola mundial. Os avanços nas pesquisas vêm aumentando o entendimento dos mecanismos de patogenicidade das APEC, demonstrando a grande importância da interação dos diversos fatores de virulência na determinação da sua patogenicidade. Redes Neurais Artificiais (RNAs) têm mostrado ser uma poderosa ferramenta para uma vasta gama de aplicações. Neste trabalho, o foco na aplicação da RNA é na predição (0 a 10) da patogenicidade de amostras APEC. Em 489 isolados APEC foram analisados a presença de 38 genes associados a virulência, o Índice de Patogenicidade (IP) in vivo e a motilidade das amostras. Duas RNAs foram construídas utilizando o software Neuroshell Classifier 2.1 (Ward Systems Group, Inc., Frederick, MD, USA) em duas fases distintas: treinamento e validação. Utilizou-se como camada de entrada, informações sobre a presença ou ausência dos 38 genes de virulência e a motilidade de cada uma das amostras, com uma camada de saída formada pelo IP in vivo previamente determinado. As RNAs construídas apresentaram uma classificação correta acima de 90%, sendo que a rede 1 apresentou uma classificação de 91,62 e a rede 2 de 99,03%. A rede 2 obteve uma especificidade superior a 99,64% em todas as categorias e uma sensibilidade superior a 92,86%. Isso demonstra que o método aqui proposto, revelou ser uma ótima ferramenta de suporte às decisões de médico veterinário, descartando no futuro a inoculação de animais.Avian Pathogenic Escherichia coli (APEC) are one of the causes of extraintestinal diseases in birds, and cause considerable economic losses to the poultry industry worldwide. Advances in research have increased understanding of pathogenic mechanisms of APEC, and have demonstrated the importance of the interaction of several virulence factors in determining their pathogenicity. Artificial Neural Networks (ANN) have shown to be a powerful tool for a wide range of applications. In this paper, the focus on neural network applications in the prediction (index of 0-10) of the pathogenicity of isolates APEC. In 489 APEC isolates were analyzed: 38 virulenceassociated genes, the Pathogenicity Index (PI) in vivo and motility of the strains. Two ANNs were constructed using the software Neuroshell Classifier 2.1 (Ward Systems Group, Inc., Frederick, MD, USA) in two distinct phases: training and validation. We used as input layer, information about the presence or absence of the 38 virulenceassociated genes and the motility of each of the samples, with an output layer formed by a previously-determined PI in vivo. The ANNs showed a correct classification of the PI above of 90%, being that the network 1 had a rating of 91.62% and the network 2 of 99.03%. The network 2 obtained a specificity of over 99.64% and sensitivity greater than 92.86% in all categories. This demonstrates that the method proposed here has proven to be a great decision support tool for the veterinarian, thereby dispensing the inoculation of animals in the future.application/pdfporEscherichia coli : PatogenicidadeRede neural artificial : AvesSanidade avícolaAviculturaPathogenicityAvian pathogenic escherichia coliArtificial neural networksUso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviáriainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulFaculdade de VeterináriaPrograma de Pós-Graduação em Ciências VeterináriasPorto Alegre, BR-RS2013mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000894160.pdf000894160.pdfTexto completoapplication/pdf3897146http://www.lume.ufrgs.br/bitstream/10183/76543/1/000894160.pdf512864f96d21d946b276416de689e583MD51TEXT000894160.pdf.txt000894160.pdf.txtExtracted Texttext/plain114506http://www.lume.ufrgs.br/bitstream/10183/76543/2/000894160.pdf.txtb2483a48bf187f5e512cfd394b64848bMD52THUMBNAIL000894160.pdf.jpg000894160.pdf.jpgGenerated Thumbnailimage/jpeg1028http://www.lume.ufrgs.br/bitstream/10183/76543/3/000894160.pdf.jpgc13aa26cba2553cc4fef5e28db3ac799MD5310183/765432018-10-15 09:13:43.035oai:www.lume.ufrgs.br:10183/76543Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-15T12:13:43Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária |
title |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária |
spellingShingle |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária Tejkowski, Thiago Moreira Escherichia coli : Patogenicidade Rede neural artificial : Aves Sanidade avícola Avicultura Pathogenicity Avian pathogenic escherichia coli Artificial neural networks |
title_short |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária |
title_full |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária |
title_fullStr |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária |
title_full_unstemmed |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária |
title_sort |
Uso de redes neurais artificiais para classificação da patogenicidade de Escherichia coli de origem aviária |
author |
Tejkowski, Thiago Moreira |
author_facet |
Tejkowski, Thiago Moreira |
author_role |
author |
dc.contributor.author.fl_str_mv |
Tejkowski, Thiago Moreira |
dc.contributor.advisor1.fl_str_mv |
Salle, Carlos Tadeu Pippi |
contributor_str_mv |
Salle, Carlos Tadeu Pippi |
dc.subject.por.fl_str_mv |
Escherichia coli : Patogenicidade Rede neural artificial : Aves Sanidade avícola Avicultura |
topic |
Escherichia coli : Patogenicidade Rede neural artificial : Aves Sanidade avícola Avicultura Pathogenicity Avian pathogenic escherichia coli Artificial neural networks |
dc.subject.eng.fl_str_mv |
Pathogenicity Avian pathogenic escherichia coli Artificial neural networks |
description |
E. coli Patogênicas Aviárias (APEC) são uma das causas de doenças extra-intestinais em aves, as quais trazem grande prejuízo econômico para o setor avícola mundial. Os avanços nas pesquisas vêm aumentando o entendimento dos mecanismos de patogenicidade das APEC, demonstrando a grande importância da interação dos diversos fatores de virulência na determinação da sua patogenicidade. Redes Neurais Artificiais (RNAs) têm mostrado ser uma poderosa ferramenta para uma vasta gama de aplicações. Neste trabalho, o foco na aplicação da RNA é na predição (0 a 10) da patogenicidade de amostras APEC. Em 489 isolados APEC foram analisados a presença de 38 genes associados a virulência, o Índice de Patogenicidade (IP) in vivo e a motilidade das amostras. Duas RNAs foram construídas utilizando o software Neuroshell Classifier 2.1 (Ward Systems Group, Inc., Frederick, MD, USA) em duas fases distintas: treinamento e validação. Utilizou-se como camada de entrada, informações sobre a presença ou ausência dos 38 genes de virulência e a motilidade de cada uma das amostras, com uma camada de saída formada pelo IP in vivo previamente determinado. As RNAs construídas apresentaram uma classificação correta acima de 90%, sendo que a rede 1 apresentou uma classificação de 91,62 e a rede 2 de 99,03%. A rede 2 obteve uma especificidade superior a 99,64% em todas as categorias e uma sensibilidade superior a 92,86%. Isso demonstra que o método aqui proposto, revelou ser uma ótima ferramenta de suporte às decisões de médico veterinário, descartando no futuro a inoculação de animais. |
publishDate |
2013 |
dc.date.accessioned.fl_str_mv |
2013-08-01T02:41:10Z |
dc.date.issued.fl_str_mv |
2013 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/76543 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000894160 |
url |
http://hdl.handle.net/10183/76543 |
identifier_str_mv |
000894160 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/76543/1/000894160.pdf http://www.lume.ufrgs.br/bitstream/10183/76543/2/000894160.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/76543/3/000894160.pdf.jpg |
bitstream.checksum.fl_str_mv |
512864f96d21d946b276416de689e583 b2483a48bf187f5e512cfd394b64848b c13aa26cba2553cc4fef5e28db3ac799 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1800309036025905152 |